网页
综合
更新时间 2026-11-16 06:47:44
使用 Nova 构建自己的前沿模型 – Amazon Nova Forge – AWS
自动蜘蛛
aws.amazon.com
正文约 1589 字
AWS 是全球较为全面的云,使组织能够加速创新、降低成本并更有效地进行扩展
迁移以实现现代化 → 现代化以释放数据 → 释放数据以运行 AI
从初创企业到大型企业,找到适合您的需求的 AWS 解决方案。访问量身定制的资源、定价模式和支持级别。
Nova Forge 是一项新服务,供您使用 Nova 构建自己的前沿模型。Nova Forge 客户可以从早期的模型检查点开始开发,将专有数据与 Amazon Nova 策管的训练数据混合在一起,并将其自定义模型安全地托管在 AWS 上。
Nova Forge 是非常简单、极具成本效益的方式,供您构建自己的前沿模型。
在预训练、训练中期或训练后阶段,使用早期的 Nova 检查点,在 SageMaker AI 上开始自定义模型开发。这样您就可以在模型训练的最佳点引入您的专有数据,从而最大限度地利用模型从数据中学习。
使用 Amazon 提供的 SageMaker 配方,将专有数据与 Amazon Nova 策管的训练数据混合在一起。这种方法可以让您构建一个深刻理解组织专有知识的模型,同时最大限度地降低灾难性遗忘等风险,保留推理等基础功能。
在您的环境中集成奖励功能以进行强化微调(RFT)。这样模型就可以在您的环境中从应用程序生成的反馈中学习。
使用 Nova Forge 中提供的负责任的人工智能工具包来配置自定义模型的安全和内容审核设置。您可以调整设置,进而满足您在安全、安保和操作等领域的特定业务需求。
抢先体验包括 Nova 2 Pro 和 Nova 2 Omni 在内的全新 Nova 模型,保持在人工智能技术的最前沿。
拥有大量非结构化数据的客户可以通过持续预训练(CPT)引入数据。从预训练的检查点开始,可确保在模型处于学习新领域的高峰期时将新数据集引入模型,同时混合 Nova 训练数据,进而最大限度地降低诸如灾难性遗忘基础功能之类的风险。
对于拥有中等数量非结构化数据的客户,Nova Forge 提供了模型检查点和配方,用于在训练中引入数据,在训练中,从新训练数据中学习的倾向不如预训练中那么高。与预训练一样,客户可以在训练中期将自己的专有数据与 Amazon Nova 策管的训练数据混合在一起。 这样模型就能够吸收特定领域的知识,同时保留语言理解和推理等通用功能,但学习速率更为保守,以避免灾难性遗忘。
有监督微调使用带有标签的数据(例如指令响应数据集)来教模型如何响应查询模式。客户可以选择在其创建的自定义基础检查点、Nova 的预构建基础检查点或 Nova 的指令调整模型上运行有监督微调,具体取决于他们的需求和训练数据的可用性。与 CPT 一样,在有监督微调期间,客户可以将自己的专有数据与 Amazon Nova 策管的带标签数据集混合在一起。这样客户就能够为其专业应用程序训练模型,同时保持广泛的模型功能,例如指令跟踪。
强化学习(RL)使用奖励信号和人工反馈进一步细化模型的行为。在 RL 阶段,Nova Forge 客户可以使用来自远程奖励功能的反馈调整其模型。这样他们就能够在对齐期间通过 API 使用来自自定义环境的反馈以及专有工具和验证器。与小型 Python 文件中定义的简单奖励功能的行业标准不同,这种基于 API 的方法使客户能够集成复杂的自定义环境工具并大规模运行这些工具。自定义奖励功能的示例包括物理模拟器、使用带有嵌套工具调用的内部系统的复杂代码评估,以及针对专有测试框架的机器人任务。
在 AWS 新闻博客上阅读有关 Nova Forge 的信息。
通过 Nova Forge 用户指南了解更多信息。
通过 Nova Forge 用户指南了解更多信息。
在 AWS 新闻博客上阅读有关 Nova Forge 的信息。
请提供您的意见,以便帮助我们提高网站内容的质量。
本页为82搜索生成的网页快照,内容来自站内索引;演示数据的原文链接仅作示例。